本文研究了知识图谱实体对齐的新问题设置，提出了一种多任务学习框架，通过检测悬空实体并采取相应技术，可以提高实体对齐的效率和准确性。

Jun, 2021

我们提出了一种新颖的基于 GNN 的悬挂实体检测和实体对齐框架，用于解决源图或目标图中存在没有对应实体的问题，特征包括设计的实体和关系注意机制以进行选择性邻域聚合以及正负样本学习损失以对悬挂实体进行无偏估计。实验证明，我们的设计的每个组件都对整体对齐性能有贡献，在 30% 的悬挂实体额外标记为训练数据的情况下，与基准方法相比，性能相当或更好。

Mar, 2024

本文提出了一种新的实体对齐框架，使用基于图结构的弱优化的图对比学习算法和 PageRank 算法，结合两个学习目标：对比学习和最优传输学习，以利用实体之间的结构相似性来解决具有悬挂实体的实体对齐问题。实验结果表明这种方法在处理传统（宽松）和悬挂（聚合）实体对齐情况时，比当前最先进的基于纯结构信息的方法具有更好的性能。

Apr, 2023

本文提出了一种可扩展的基于 GNN 的实体对齐方法，通过三个视角减少子图嵌入中的结构和对齐损失，并在实验中证实了该方法的有效性。

Aug, 2022

本文提出了一种基于深度学习和主动学习的知识图谱对齐方法 DAAKG，通过学习实体、关系和类的嵌入并在半监督情况下联合对齐它们，同时估计最佳批次用于人工标注，提高实体，关系或类的推断准确率。实验表明，DAAKG 具有出色的准确性和推广性。

Apr, 2023

本研究提出一种新颖的框架，通过利用实体的多个视角来学习实体嵌入，从而增强知识图谱之间的嵌入式实体对齐，并在真实数据集上验证实验证明，该框架显著优于现有的嵌入式实体对齐方法。

Jun, 2019

本文提出了一种新的精确的无监督方法，即 UED，用于联合实体对齐和悬挂实体检测，在医学跨语言知识图谱数据集 MedED 中通过全局指导对齐信息和文本语义信息来生成虚拟实体对，利用实体对齐结果辅助悬挂实体检测，无需 supervision，取得了非常好的实验结果。

Mar, 2022

本文介绍了实体对齐的新方法 ——embedding-based. 通过调查 23 种不同的 entity alignment 方法，我们提出了一种新的 KG 采样算法，并生成了不同的异质性和分布的基准数据集来进行评估。通过开源库测试了其中 12 种代表性的 entity alignment 方法，讨论了它们的优点和局限性。同时，我们进行了探索性实验，并报告了未来研究的初步结果。

Mar, 2020

本文提出一种基于关系感知的双图卷积神经网络（RDGCN），以通过知识图谱和其双重关系相互作用来整合关系信息，并进一步捕获邻近结构以学习更好的实体表示，以获取更好且更有效的跨语言实体对齐结果。

Aug, 2019

本文介绍了一种基于相邻性信息的连续实体对齐方法，以实现对知识图谱中不断增长的实体进行快速嵌入表示，并通过回放部分预对齐实体对来更新旧对齐方式以找到新的实体对齐，并验证实验证明，与迭代学习和重新训练的传统实体对齐方式相比，本方法更加高效。

Jul, 2022